論文の概要: Interpretable Machine Learning for Antepartum Prediction of Pregnancy-Associated Thrombotic Microangiopathy Using Routine Longitudinal Laboratory Data

• arxiv url: http://arxiv.org/abs/2605.13786v1
• Date: Wed, 13 May 2026 17:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.198594
• Title: Interpretable Machine Learning for Antepartum Prediction of Pregnancy-Associated Thrombotic Microangiopathy Using Routine Longitudinal Laboratory Data
• Title（参考訳）: 妊娠関連血栓性微小血管症の経時的予測のための経時的機械学習
• Authors: Chuanchuan Sun, Zhen Yu, Qin Fan, Qingchao Chen, Feng Yu,
• Abstract要約: P-TMAでは, 早期のリスク予測が困難である。 本研究は機械学習を用いて長期臨床検査から潜伏時間依存型リスクシグネチャを抽出した。 モデルは0.872のAUROCと0.883のAUPRCを保持試験コホートで達成し、感度は0.750、特異度は0.812である。
• 参考スコア（独自算出の注目度）: 20.314650315287775
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Pregnancy-associated thrombotic microangiopathy (P-TMA) is rare but life-threatening. Early risk prediction before overt clinical presentation remains challenging, as the associated laboratory abnormalities are subtle, multidimensional, and frequently masked by common physiological changes such as gestational thrombocytopenia and pregnancy-related proteinuria, thus overlapping heavily with benign obstetric and renal conditions. This complexity is poorly captured by univariate or rule-based approaches; however, it is addressable by machine learning, which can extract latent, time-dependent risk signatures from longitudinal clinical tests. Methods: This retrospective study included 300 pregnancies comprising 142 P-TMA cases and 158 controls. After exclusion of identifiers and non-informative variables, 146 longitudinal laboratory predictors were retained. Participants were divided into a training cohort (80%) and a held-out test cohort (20%) using stratified sampling. Five algorithms were evaluated: logistic regression, support vector machine with radial basis function kernel, random forest, extra trees, and gradient boosting. The final model was selected by mean cross-validated AUROC, refitted on the full training cohort, and evaluated once in the held-out test cohort. Interpretability analyses examined global feature importance and distributional patterns of leading predictors. Results: Gradient boosting was prespecified by cross-validation in the training cohort. The model achieved an AUROC of 0.872 (95% CI: 0.769-0.952) and an AUPRC of 0.883 (95% CI: 0.780-0.959) in a held-out test cohort, with sensitivity of 0.750 and specificity of 0.812. Conclusions: Longitudinal clinical laboratory tests obtained during routine care contained informative and clinically plausible signals for P-TMA risk. Notably, cystatin C at week 6 showed promise as an early monitoring indicator.
• Abstract（参考訳）: 背景: 妊娠関連血栓性微小血管症(P-TMA)は稀であるが, 生命予後は良好である。 臨床検査の異常は微妙で多次元的であり、妊娠時血小板減少症や妊娠関連蛋白尿症などの一般的な生理的変化に隠れており、良性産婦人科や腎疾患と重なり合っているため、早期のリスク予測は依然として困難である。 この複雑さは、単変量やルールベースのアプローチでは捉えられないが、機械学習では、長期臨床検査から潜伏時間に依存したリスクシグネチャを抽出することができる。 方法:本研究は, P-TMA142例, 対照158例の妊娠300例を対象とした。 識別子と非表現変数を除外した後、146個の縦断的実験室予測器が保持された。 参加者は, トレーニングコホート (80%) とホールドアウトテストコホート (20%) に成層試料を用いた。 5つのアルゴリズムが評価された:ロジスティック回帰、ラジアル基底関数カーネルを持つベクトルマシンのサポート、ランダムフォレスト、余分な木、勾配向上。 最終モデルは平均クロスバリデーションAUROCで選択され、フルトレーニングコホートに適合し、ホールドアウトテストコホートで1回評価された。 主予測器のグローバルな特徴重要度と分布パターンの解釈可能性解析 結果: トレーニングコホートにおけるクロスバリデーションにより, グラディエント・ブースティングが予め規定された。 このモデルは0.872(95% CI: 0.769-0.952)のAUROCと0.883(95% CI: 0.780-0.959)のAUPRCを保持試験コホートで達成し、感度は0.750、特異度は0.812である。 結論: 定期治療中に得られた縦断的臨床検査は, P-TMAリスクに対する情報的, 臨床的に妥当なシグナルを含んでいた。 6週目のシスタチンCは早期モニタリング指標として有望であった。

関連論文リスト

• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• Image-based Quantification of Postural Deviations on Patients with Cervical Dystonia: A Machine Learning Approach Using Synthetic Training Data [42.305152571036786]
  頚部ジストニア(Cervical dystonia、CD)は、ジストニアの最も一般的な形態である。 現在の評価はトロント・ウェスタン・スパモディック・トーチコリス・レーティング・スケール(TWSTRS)のような主観的臨床評価尺度に依存している。 本研究では、16,000枚の合成アバター画像にのみ訓練された深層学習モデルと、事前訓練した頭部位置推定アルゴリズムを組み合わせた評価ツールを開発した。
  論文  参考訳（メタデータ） (2026-03-27T14:12:41Z)
• Externally Validated Longitudinal GRU Model for Visit-Level 180-Day Mortality Risk in Metastatic Castration-Resistant Prostate Cancer [0.5361389213879222]
  転移性カストレーション耐性前立腺癌 (mCRPC) は予後不良と不均一な治療反応を有する高攻撃性疾患である。 我々は,2つのフェーズIIIコホートからの縦断データを用いて,訪問レベル180日間の死亡リスクモデルを開発し,検証した。
  論文  参考訳（メタデータ） (2026-01-27T20:48:53Z)
• Assessing the Feasibility of Early Cancer Detection Using Routine Laboratory Data: An Evaluation of Machine Learning Approaches on an Imbalanced Dataset [0.02030567625639093]
  犬における早期がん検出のためのアクセス可能なスクリーニングツールの開発は、獣医学における重要な課題である。 本研究は,Golden Retriever Lifetime Studyコホートを用いたがんリスク分類の可能性を評価する。 通常の検査データには統計的に検出可能ながんシグナルが存在するが、正常な老化やその他の炎症状態から臨床的に信頼性の高い識別を行うには弱く、確立されていないと結論付けている。
  論文  参考訳（メタデータ） (2025-10-23T04:52:42Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。